JP7573336B2 - めっき付着量制御方法、溶融めっき鋼板の製造方法、及びそれらを実行する装置 - Google Patents

Description

本発明は、製造された製品の品質を予想する技術に関する。本発明は、例えば、溶融亜鉛めっき鋼板などの溶融めっき鋼板の製造に関する技術に用いられる技術である。

従来、亜鉛めっき鋼板の付着量予測は、物理モデルに基づく予測モデル式（数値計算式）を用いて演算される（例えば、非特許文献１、特許文献１）。
また、特許文献２には、各種の実績データを入力項目とし、ワイピングノズル出力（ノズルの操業条件）を出力項目としたデータをデータベースに蓄えておき、これからめっきする材料に対する要求点を選択し、選択した近傍データに基づき局所モデル（重回帰モデル）を作成する。そして、作成した局所モデルに要求点を代入して、これからめっきする鋼板のためのワイピングノズル出力を決定することでめっき付着量を制御する、ことが記載されている。

連続式溶融亜鉛めっきの気体絞り制御機構に関する検討：安谷屋武志ほか、鉄と鋼 第６６巻第７号、１９８０年

特開平５－１７１３９５号公報 特開２００７－２６２５０３号公報

物理モデルに基づく予測モデル（数値計算式）で付着量を予測した場合、モデルそのものが誤差を有しているため、更なる予測精度の向上が求められている。
例えば、連続亜鉛めっき鋼板の製造においては、先行材の尾端部と後行材の先端部を溶接しながら連続して鋼板のめっき処理が実行される。そして、付着量変更点の直後近傍においては、例えば、先行材に対する後行材の学習値を用いて変更直後に対応しているが、予測誤差が大きいほど付着量誤差が発生しやすくなる。このとき、操業条件に合わせた細かいプリセットテーブルを作成すれば解決できる可能性がある。しかし、そのためには、大量の開発時間を要する上に、操業の変化に応じたメンテナンスが必要である。

また近年、表面外観を美麗にする目的で、ワイピングノズル出力において、ワイピング温度を高温（亜鉛の融点を超える温度（５００℃程度））に且つ吐出圧を低圧としてめっき付着処理を実行する技術がある。この技術に対応した物理モデル式は確立されておらず、従来の物理モデルをベースに、一部定数を高温向けに変化させて付着量予測値を求めることが試行されている状態である。

本発明は、上記のような点に着目してなされたもので、仮にワイピング出力を高温・低圧にした連続溶融めっき鋼板の製造であっても、めっき付着量の予測精度が向上可能な技術を提供することを目的としている。

課題を解決するために、本発明の一態様は、めっき浴に浸漬後の被めっき鋼板の表面に対しワイピングノズルからワイピングガスを噴射してめっき付着量を調整する付着調整工程を備えた溶融めっき鋼板の製造設備における、上記付着調整工程後のめっき付着量を予測するための付着量予測モデルの生成方法であって、被めっき鋼板に関する鋼板情報から選択した１以上のデータ及びワイピングノズルに関するノズル操業情報から選択した１以上のデータを含む入力操業情報のデータと、その入力操業情報のデータを用いた上記付着調整工程後のめっき付着量の実績データとを有する学習用データを、複数組、取得し、取得した学習用データを用いた機械学習により、上記入力操業情報のデータの少なくとも一部を入力データに含み、めっき付着量を出力データとする付着量予測モデルを生成する、ことを要旨とする。
上記機械学習による入力データの１つとして、上記鋼板情報から選択した１以上のデータ及び上記ノズル操業情報から選択した１以上のデータを入力データに含み、めっき付着量を出力データとして演算するための物理モデルに基づく数値計算式を用いて演算しためっき付着量を有しても良い。

また、本発明の態様は、めっき浴に浸漬後の被めっき鋼板の表面に対しワイピングノズルからワイピングガスを噴射してめっき付着量を調整する付着調整工程を備えた溶融めっき鋼板の製造設備における、上記付着調整工程後のめっき付着量を予測する、めっき付着量の予測方法であって、上記態様の付着量予測モデルの生成方法で生成した付着量予測モデルを用いて、めっき付着量を予測することを要旨とする。

また、本発明の態様は、めっき浴に浸漬後の被めっき鋼板の表面に対しワイピングノズルからワイピングガスを噴射してめっき付着量を調整する付着調整工程を備えた溶融めっき鋼板の製造設備における、上記付着調整工程後のめっき付着量を制御する、めっき付着量制御方法であって、溶融めっき鋼板の製造は、先行材の尾端部と後行材の先端部とを溶接によって接続して被めっき鋼板を連続して搬送し、後行材に対する上記付着調整工程を実行する前に、後行材の鋼板情報の少なくとも一部を含む後行材に設定した設定操業情報と、上記態様の付着量予測モデルの生成方法で生成した付着量予測モデルとを用いて、後行材へのめっき付着量の予測値を算出する予測値算出工程と、算出した付着量の予測値と予め設定した付着用目標値との偏差に基づき、上記偏差が小さくなる方向に、後行材に対するワイピングノズルに関する操業情報を再設定する再設定工程と、を実行することを要旨とする。

また、本発明の態様は、めっき浴に浸漬後の被めっき鋼板の表面に対しワイピングノズルからワイピングガスを噴射してめっき付着量を調整する付着調整工程を備えた溶融めっき鋼板の製造方法であって、上記態様の付着量制御方法でめっき付着量を調整することを要旨とする。

また、発明の態様は、設定された操業条件のデータで製造装置の操業を実行して、被加工品を製品に加工する加工工程における、上記製造された製品に要求される複数の品質から選択した品質である選択品質を予測するための品質予測モデルの生成方法であって、上記被加工品に関する情報から選択した１以上のデータ及び上記操業条件から選択した１以上のデータを含む入力操業情報のデータと、その入力操業情報のデータを用いた上記加工工程後の製品の上記選択品質に関する実績データとを有する学習用データを、複数組、取得し、取得した学習用データを用いた機械学習により、上記入力操業情報のデータの少なくとも一部を入力データに含み、上記選択品質に関するデータを出力データとする品質予測モデルを生成し、上記被加工品に関する情報から選択した１以上のデータ及び上記操業条件から選択した１以上のデータを入力データに含む、ことを要旨とする。
上記選択品質に関するデータを出力データとして演算するための物理モデルに基づく数値計算式を用いて演算した上記選択品質に関するデータを、上記機械学習による入力データの１つとしても良い。

本発明の態様によれば、仮にワイピングガスの温度をめっき液の溶融点以上の高温に設定する連続溶融めっき鋼板の製造であっても、めっき付着量の予測精度を向上することが可能となる。この結果、本発明の態様によれば、高品質の連続溶融めっき鋼板を製造可能とある。
ここで、溶融めっき付着量（選択品質）を予測する機械学習モデルの一説明変数（入力データ）として、物理モデル式の計算結果を採用する場合には、機械学習を完全なブラックボックス計算とするのではなく、物理的根拠を含めて機械学習による予測モデルを生成可能となる。

また、機械学習モデルの一説明変数として、物理モデル式の計算結果を採用した場合には、物理モデル自体に誤差を有していても、その誤差を小さくした機械学習モデルを得ることが可能となる。なお、機械学習モデルの生成はオフライン処理であるため、時間が掛かる詳細な物理モデルを設定して用いることも可能となる。
また、本発明の態様によれば、例えば、物理モデル式にどういった成分が足りていないのか、を分析しつつ機械学習モデルを組むことができる上に、物理モデル式もある程度の精度を有しているので、その他の説明変数を補正として用いることができ、結果として予測精度の向上を見込むことができる。
また、説明変数に亜鉛鋼板の反り成分やワイピングガス温度を含める場合には、従来の物理モデルでは表現できないが、付着量に関係する見込みのある成分を取り込むことができるようになる。

本発明に基づく実施形態に係る連続溶融めっき鋼板の製造設備を説明する図である。 ノズル周りの構成を説明する模式図である。 めっき制御装置の構成を示す図である。 本発明に基づく実施形態に係るめっき制御装置の構成を示す図である。 再設定部の構成を説明する図である。 比較例１を用いた場合における、付着量の相関関係を示す図である。 比較例２を用いた場合における、付着量の相関関係を示す図である。 実施例を用いた場合における、付着量の相関関係を示す図である。

次に、本発明の実施形態について図面を参照しつつ説明する。
本実施形態では、設定された操業条件のデータで製造装置の操業を実行して、被加工品を製品に加工する加工工程を有する製造設備として、連続溶融めっき鋼板の製造設備を例に挙げる。本発明は、被加工品を製品に加工する処理を物理モデルで表現可能であれば、溶融めっき鋼板以外の製品を加工する製造装置を用いた製造設備に対しても適用可能である。本発明は、溶融めっき鋼板の製造に好適な技術である。
また、本実施形態では、溶融めっきとして溶融亜鉛めっきを例にして説明する。

（構成）
図１は、連続亜鉛めっき鋼板の製造設備における、付着調整工程の処理を実行する装置周りの構成例を示す図である。付着調整工程（加工工程）は、めっき浴に浸漬後の被めっき鋼板１０の表面に対しワイピングノズル６からワイピングガスを噴射してめっき付着量を調整する加工処理を実行する工程である。
連続亜鉛めっき鋼板の製造設備は、図１に示すように、溶接装置１、焼鈍炉３、めっき浴５を収容しためっき浴槽４、ワイピングノズル６、めっき付着量計７を備える。また、鋼板搬送のパスラインに沿って、ワイピングノズル６とめっき付着量計７との間に、合金化炉、及び冷却帯が配置されている。

溶接装置１は、先行材（先行コイル）の尾端部と後行材（後行コイル）の先端部を溶接する装置である。溶接装置１で、順次、材料が接続されることで、連続して被めっき鋼板１０が構成され、当該被めっき鋼板１０は、連続して付着調整工程に搬送可能となっている。
なお、溶接の際に、先行材の尾端部と後行材の先端部の位置の搬送を一時停止するが、その停止は、ルーパー装置によって吸収されて、鋼板に対する、加熱処理やめっきの付着等の処理は、連続して実行可能となっている。

被めっき鋼板１０は、連続して、焼鈍炉３に過熱された後に、めっき浴５に浸漬することで、被めっき鋼板１０の表面にめっきが付着してめっき層が形成される。続いて、被めっき鋼板１０は、めっき湯面の上方に搬送され、浴槽４の上方にあるワイピングノズル６からのワイピングガスによって、めっき付着量（めっき層の厚さ）が目標付着量に制御される。その後、被めっき鋼板１０は、合金化炉で加熱されて合金化処理が施され、続いて冷却帯で冷却処理が実行されてめっきが定着した後に、めっき付着量計７によって、鋼板へのめっき付着量が計測される。

上記のワイピングノズル６は、図２に示すように、浴槽４内のロール４ａで搬送方向が上方に変更された被めっき鋼板１０の両面に対向する位置に配置されている。ワイピングノズル６は、鋼板表面に向けてワイピングガスを噴射可能となっている。
また、ワイピングノズル６の駆動部として、高さ調整用アクチュエータ２０、鋼板に対する距離を調整するノズル間隔調整用アクチュエータ２１、ノズル角度調整用アクチュエータ２２を備える。

高さ調整用アクチュエータ２０は、ワイピングノズル６を上下方向に移動させて、めっき浴５の上面からの離隔高さを調整する装置である。ノズル間隔調整用アクチュエータ２１は、ワイピングノズル６を、鋼板に対し接近・離隔する横方向に移動させて、鋼板からの離隔量を調整する装置である。高さ調整用アクチュエータ２０及びノズル間隔調整用アクチュエータ２１は、１つのアクチュエータで構成されていてもよい。ノズル角度調整用アクチュエータ２２は、ワイピングノズル６における、鋼板表面に対する噴射方向の角度（噴射角）を、上下方向に変更して、鋼板表面に直交する方向に対する噴射角の傾きを調整するアクチュエータである。

また、ワイピングノズル６にガスを供給する供給管路には、圧力計２３や温度計２４が介装し、また、供給管路を介して供給されるガスの圧力を制御するガス圧調整装置２５を有する。また、ガス温度を目標温度に調整する加熱装置も備える。
ここで、本実施形態では、ワイピング温度を高温（亜鉛の融点を超える温度（５００℃程度））に制御する場合とする。

（めっき制御装置３０）
また、本実施形態の連続溶融めっき鋼板の製造設備は、めっき制御装置３０を有する。
めっき制御装置３０は、連続して搬送されてくる鋼板へのめっき付着制御を実行する。
本実施形態のめっき制御装置３０は、図３に示すように、付着量予測モデルの生成装置３１、めっき付着量の予測装置３２、めっき付着量制御装置３３を備える。

（付着量予測モデルの生成装置３１）
付着量予測モデルの生成装置３１は、めっき浴に浸漬後の被めっき鋼板１０の表面に対しワイピングノズル６からワイピングガスを噴射してめっき付着量を調整する付着調整工程を備えた溶融めっき鋼板の製造設備における、付着調整工程後のめっき付着量を予測するための付着量予測モデル３４を生成する装置である。
付着量予測モデルの生成装置３１は、図４に示すように、学習用データ収集部３１Ａ、付着量演算部３１Ｂ、予測モデル生成部３１Ｃを備える。

＜学習用データ収集部３１Ａ＞
学習用データ収集部３１Ａは、被めっき鋼板１０に関する鋼板情報から選択した１以上のデータ及びワイピングノズル６に関するノズル操業情報から選択した１以上のデータを含む入力操業情報のデータと、その入力操業情報のデータを用いた付着調整工程後のめっき付着量の実績データとを有する学習用データを、複数組、取得する処理を実行する。取得した学習用データは、データベース３６（学習用記憶部）に順次記憶する。
すなわち、学習用データ収集部３１Ａは、各鋼材毎に、実際に使用した操業情報を入力操業情報のデータとし、その操業でのめっき付着量の実績データ（めっき付着量計７で計測した付着量）とを取得して学習用データとする。なお、めっき付着量計７での計測は、複数回、計測し、その平均値とする。

入力操業情報は、上位コンピュータであるプロセスコンピュータから供給される設定情報に基づき設定される。なお、設定情報には、目標亜鉛付着量を有する。
ここで、鋼板情報は、被めっき鋼板１０の板幅、板厚、鋼種を含む。
ノズル操業情報は、ワイピングノズル６における、ノズル間隔、鋼板表面に対する噴射角度、めっき浴からの高さ、ワイピングガスの圧力、ワイピングガスの温度を含む。ノズル間隔は、鋼板１０を挟んで対向する２つのノズル間の距離とも考えられるが、本願ではノズルから鋼板表面までの距離を表すものとする。
また、本実施形態では、入力操業情報として、ライン速度及びめっき浴の温度を含む。
データベース３６中の学習用データは、順次、蓄積されて更新される。

ここで、学習用データは予測モデルの精度を向上させるため、データクレンジングなどの処理を考慮して実行しても良い。
その例について説明する。
（１）ノズル間隔データ
ノズル間隔は、前述のようにノズルから鋼板表面までの距離としている。本来鋼板までの距離計を設置することで計測が可能である。しかし、本願が対象とするプロセスでは、ワイピングノズル周辺温度が高温（亜鉛の融点に近い雰囲気温度）であることから、距離計を常設することが困難な場合がある。このような場合には、鋼板１０を挟んで対向するノズル間の距離を利用することができる。例えば、対向するノズル間の距離の１／２から、（鋼板の板厚／２）を引いた値を、ノズルと鋼板との間の距離として、ノズル間隔を取得してもよい。そして、その値を、物理モデル計算や説明変数に用いる。
この場合、鋼板のパスライン（鋼板が通過する位置）がノズル間の中央であると仮定していることになるが、鋼板位置が一方のノズル側に偏る場合がある。そのときのデータをそのまま付着量予測モデルの学習用データとして利用すると、付着量予測モデルの予測精度が悪化することになる。

このような、鋼板のパスラインが鋼板の表裏一方に偏っている場合には、鋼板の表裏の付着量に差が生ずる。このため、長手方向で同一位置における、鋼板表裏の付着量の差を評価し、その差が所定範囲を超える場合（例えば、３％や８％の差がある場合）のデータは除いて、学習用データとしてもよい。又は、鋼板の裏表の亜鉛付着量比が０．９～１．１の場合のデータセットのみを学習用データとしてもよい。また、前述の所定範囲やデータセットの裏表の亜鉛付着量比の範囲は、付着量予測モデルの予測誤差を考慮して定めても良い。

あるいは、表裏の付着量の差に応じて、鋼板における表裏のノズル間隔を補正して保存するとしてもよい。この場合には、付着量に応じたノズル間隔の補正量を算出する関数などを、ノズル間隔の実測値と付着量の実績値を採取して構築し、利用すればよい。
これにより、鋼板のパスライン変動があっても、精度良い学習モデルを構築することが可能となる。

（２）学習用データの保存の仕方
予測する付着量は、鋼種や鋼板サイズなどにより、約２０mg／ｍ^２～３００ｇ／ｍ^２の範囲で分布している。学習用データの付着量に偏りがあると、データ数の多い付着量の予測精度が高く、データ数の少ない付着量の予測精度が悪化するなどの問題が生ずる。そこで、付着量を予め所定量（例えば、５０ｇ／ｍ^２～１００ｇ／ｍ^２の範囲の適切な値）毎に分割し、分割された範囲のデータ数が所定のデータ数以上になるようにして学習用データを保存して、予測モデルの学習を行うとしてもよい。ここで、所定のデータ数はある程度学習が可能であればよいが例えば２０００組程度でもよい。
このように学習用データを区分分割して保存し、各区分のデータ量を確保することで付着量全般の予測モデルの精度を維持させることが可能となる。また、このようなデータの持ち方をすれば、分割した区分ごとにモデルを構築することも可能となる。

（３）その他
また、物理モデルによる亜鉛付着量予測計算結果と亜鉛付着量実績を比較した際に、ノズル～鋼板距離やガス圧力によって、差が顕著に異なる傾向がある。このため、一つの機械学習モデルによる全操業パターンの付着量予測が困難であると判断した場合、ガス圧やノズル間隔などの操業条件によって複数の機械学習モデルを構築し、操業条件からどのモデルを使用すればよいかを選択するようにしてもよい。

＜データベース３６＞
データベース３６には、溶融めっき鋼板の製造における実績データとして、被めっき鋼板１０に関する鋼板情報から選択した１以上のデータ及びワイピングノズル６に関するノズル操業情報から選択した１以上のデータを含む入力操業情報と、その入力操業情報のデータを用いた付着調整工程後の、めっき付着量計７で計測されためっき付着量の実績データとを有する学習用データが、複数組、格納される。
その際、上述のデータクレンジングや付着量区分に応じたデータの保存量の調整が行われる。
また、データベース３６には、生成された付着量予測モデル３４（モデル式）も格納される。

＜付着量演算部３１Ｂ＞
付着量演算部３１Ｂは、データベース３６に格納されている各学習用データに基づき、各データ用学習用データ毎に、鋼板情報から選択した１以上のデータ及びノズル操業情報から選択した１以上のデータを入力データに含み、めっき付着量を出力データとして演算するための物理モデルに基づく数値計算式を用いて、めっき付着量(選択品質)を演算する。付着量演算部３１Ｂは、演算しためっき付着量（演算付着量とも記載する）を、対応する学習用データにおける入力操業情報の一データとしてデータベース３６に格納する。これによって、各学習用データを、演算付着量を含む状態に更新する。

物理モデルに基づく数値計算式は、例えば、特許文献１、２、非特許文献１などに記載の公知のモデル式を採用すればよい。
モデル式の一例を、下記（１）式に示す。
Ｗ ＝ｆ（ＬＳ、Ｐ、Ｄ、ｔ） ・・・（１）
ここで、
ＬＳ：ライン速度
Ｐ：ワイピングガス圧
Ｄ：ノズル間隔
ｔ：鋼板の板厚
Ｗ：物理モデルによる付着予想値
である。

＜予測モデル生成部３１Ｃ＞
予測モデル生成部３１Ｃは、付着量演算部３１Ｂで処理後の複数組の学習用データを用いた機械学習により、入力操業情報のデータの少なくとも一部を入力データに含み、めっき付着量を出力データとする付着量予測モデル３４を生成する。
ここで、本実施形態では、入力データとして、少なくとも、ノズル間隔、板厚、ライン速度、ワイピングガスの圧力、ワイピングガスの温度を含む。
更に、入力データとして、ノズル角度（鋼板表面に対する噴射角度）、鋼種、板幅、めっき浴の温度、ノズルのめっき浴からの高さの少なくとも１つを含むことが好ましい。

本実施形態では、上述のように、機械学習による入力データの１つとして、付着量演算部３１Ｂが演算した付着予想値である演算付着量を機械学習の入力データとして用いる。
本実施形態では、付着量演算部３１Ｂでの入力データが、機械学習の入力データとして含む構成としている。ただし、付着量演算部３１Ｂの入力データの一部だけを機械学習の入力データとして含む構成としてもよい。
また、入力に物理モデルの出力を含まない構成としてもよい。

ここで、物理モデルは、ここで記載された入力以外のものを含むモデルを構築して利用してもよい。例えば高温のワイピングガス温度を考慮したモデルなどでも構わない。
また、付着量演算部３１Ｂ及び予測モデル生成部３１Ｃの処理は、オフラインで実行可能であるので、物理モデルに基づく数値計算式などは、処理時間に余裕がある。このため、物理モデルをより詳細なモデルとして設定し、計算に時間を掛けることも可能である。

（めっき付着量の予測装置３２）
めっき付着量の予測装置３２は、めっき浴槽４に浸漬後の被めっき鋼板１０の表面に対しワイピングノズル６からワイピングガスを噴射してめっき付着量を調整する付着調整工程を備えた溶融めっき鋼板の製造設備における、付着調整工程後のめっき付着量を予測する装置である。
本実施形態のめっき付着量の予測装置３２は、付着量予測部３２Ａを備える。付着量予測部３２Ａは、付着量予測モデルの生成装置３１が生成した付着量予測モデル３４を用いて、めっき付着量を予測する。

本実施形態のめっき付着量の予測装置３２は、例えば、後行材に対する、プロセスコンピュータ４０から供給された設定情報中の入力操業情報を操業の設定情報として付着量予測モデル３４に入力して、設定された設定情報を用いて操業した場合における、予測めっき付着量を算出する。
本実施形態では、図４に示すように、めっき付着量の予測装置３２は、めっき付着量制御装置３３の一部を構成する。

（めっき付着量制御装置３３）
めっき付着量制御装置３３は、めっき浴５に浸漬後の被めっき鋼板１０の表面に対しワイピングノズル６からワイピングガスを噴射してめっき付着量を調整する付着調整工程を備えた溶融めっき鋼板の製造設備における、付着調整工程後のめっき付着量を制御する装置である。
本実施形態では、上述のように、溶融めっき鋼板の製造は、先行材の尾端部と後行材の先端部とを溶接によって接続して被めっき鋼板１０を連続して搬送されて、めっき処理が連続して実行される。また、制御は、鋼材（先行材や後行材）毎に実行される。
本実施形態のめっき付着量制御装置３３は、予測値算出部３２、再設定部３７、ノズル操作部３８、ガス制御部３９を備える。

＜予測値算出部３２＞
予測値算出部３２は、後行材に対する付着調整工程を実行する前に、すなわち、各鋼材のめっき処理が実行される前に、後行材の鋼板情報の少なくとも一部を含む、後行材に設定された設定操業情報と、付着量予測モデルの生成装置３１で生成した付着量予測モデル３４とを用いて、後行材へのめっき付着量の予測値を算出する処理を実行する。
本実施形態の予測値算出部は、めっき付着量の予測装置３２で構成される。

＜再設定部３７＞
再設定部３７は、後行材に対する付着調整工程を実行する前に、予測値算出部３２が算出した付着量の予測値と、予め設定した付着用目標値との偏差に基づき、偏差が小さくなる方向に、後行材に対するワイピングノズル６に関する操業情報を再設定する処理を実行する。
本実施形態では、再設定するワイピングノズル６に関する操業情報は、ワイピングノズル６の位置とする。本実施形態では、ワイピングノズル６先端と鋼板表面との間隔を再設定する場合を例に挙げて説明する。再設定するワイピングノズル６の位置は、ワイピングノズル６の高さでも良いし噴射角度でもよい。また、再設定する操業情報は、２以上の操業情報であってもよい。
本実施形態の再設定部３７は、図５に示すように、偏差量算出部３７Ａ、影響係数算出部３７Ｂ、及び変更量算出部３７Ｃを備える。

＜偏差量算出部３７Ａ＞
偏差量算出部３７Ａは、付着量目標値と予測値算出部３２が求めた予測値との偏差を算出する。
なお、偏差量算出部３７Ａが算出した偏差が予め設定した閾値以下の場合には、再設定部３７の処理を終了して、次の処理部に移行する。

＜影響係数算出部３７Ｂ＞
影響係数算出部３７Ｂは、付着量予測モデルの生成装置３１で生成した付着量予測モデル３４を用いて、後行材における、めっき付着量の変化に対する、ワイピングノズル６に関する操業情報の変化の係数である影響係数を算出する。
本実施形態の影響係数算出部３７Ｂは、後行材に設定した設定操業情報を変化することによる、付着量予測モデル３４で予測するめっき付着量の変化に基づき、影響係数を算出する。
影響係数算出部３７Ｂは、製造対象材料である後行材の製造のための設定条件の諸元近傍での少なくともワイピングノズル６の位置を含む製造諸元の摂動に基づいて影響係数を算出する。

影響係数Ｋｗｄは、例えば、下記（２）式で表される。
Ｋｗｄ ＝δＷ／δＤ ・・・（２）
δＤは、製造諸元の摂動量である。
δＷは、製造諸元の摂動に対する付着量の変化量である。
δＤは、例えば次のようにして決定する。

制御対象の後行材用に設定されたワイピングノズル６の操作量（プロセスコンピュータ４０から入力した設定値）、若しくは、現在の操業時のワイピングノズル６の操業条件での操作量を、基準操作量する。次に、基準操作量を僅かにずらした、すなわち摂動させた操作量を摂動操作量とする。この操作量を変化させるワイピングノズル６に関する操業情報は、１つの変数でも良いし２種類以上でも構わない。
本実施形態では、鋼板に対するノズル６の離隔位置を、変化させるワイピングノズル６に関する操業情報とする。この場合、変化量は、例えば２ｍｍ～６ｍｍの範囲で設定する。
そして、δＤを、上記変化量（＝基準操作量 －摂動操作量）とする。

また、δＷは次のようにして設定する。
まず、基準操作量を入力情報として、付着量予測モデル３４によって付着量の予測値（第１予測値）を求める。基準予測値が、制御対象の後行材用に設定されたワイピングノズル６の操作量である場合、第１予測値は、予測値算出部３２が算出した値となる。
次に、摂動操作量（基準操作の一部を変化した操作量）を入力情報として、付着量予測モデル３４によって付着量の予測値（第２予測値）を求める。
そして、第１予測値と第２予測値との差を、δＷとする。
この影響係数Ｋｗｄは、例えば、ノズル６位置の単位変化量（例えば１ｍｍ）に対する付着量の変化量を示す係数となる。

＜変更量算出部３７Ｃ＞
変更量算出部３７Ｃは、算出した影響係数Ｋｗｄと偏差とから、後行材に対するワイピングノズル６に関する操業情報の変更量を算出する。
本実施形態の変更量算出部３７Ｃは、偏差量算出部３７Ａが求めた偏差量を、影響係数算出部３７Ｂが求めた影響係数Ｋｗｄで割って、すなわち（偏差量／Ｋｗｄ）の値を求め、その値をノズル６の位置の補正量とする。
変更量算出部３７Ｃは、求めたノズル６の位置の補正量によって、設定された操業条件を更新する。

＜ノズル操作部３８＞
ノズル操作部３８は、制御対象の鋼材（後行材）の付着量制御を実行すると判定すると、変更量算出部３７Ｃが更新後の操業条件に対するノズル６の各指令を各アクチュエータに供給する。
例えば、先行材と後行材の溶接点がめっき浴５を通過時に、ノズル位置を目標とするノズル位置に変更する処理を実行する。

＜ガス制御部３９＞
ガス制御部３９は、ノズル６に供給されるガスの圧力や温度を計測しつつ、当該ノズル６に供給されるガスの圧力及び温度を、予め設定された圧力及び温度となるように調整する。

（動作その他）
本実施形態では、過去の操業実績データからなる学習用データを用いて機械学習を行い、めっき付着量を予測する付着量予測モデル３４を生成する際に、操業実績データに基づき物理モデルによって求めた付着量の予測値を機械学習の入力データの１つとして採用する。
この結果、本実施形態の付着量予測モデル３４は、付着量予測精度が向上する。
すなわち、本実施形態では、亜鉛付着量を予測する機械学習モデルの一説明変数として物理モデル式の計算結果を採用する。このため、機械学習を完全なブラックボックス計算とするのではなく、物理的根拠を含めながら、物理モデル式にどういった成分が足りていないのか、を分析しつつ機械学習モデルを組むことができる。

更に、物理モデル式もある程度の精度を有しているので、その他の説明変数を補正として用いることができ、結果として、生成した付着量予測モデル３４の精度向上を見込むことができる。
また、例えば、説明変数（付着量予測モデル３４の入力データ）に亜鉛鋼板の反り成分やワイピングガス温度を含めることで、従来の物理モデルでは表現できないが、付着量に関係する見込みのある成分を取り込むことができる。この点からも、付着量予測モデル３４は、付着量予測精度が向上する。

以上のように、本実施形態では、機械学習モデルの一説明変数として物理計算モデル式の計算結果を採用することで、物理計算モデル式の計算結果の誤差を補正する形で、その他の説明変数を用いた機械学習が行えるため、高い精度での付着量予測を行うことができる。

（変形例）
上記の実施形態では、再設定部３７で、自動的にノズル操作情報を更新する場合を例示しているが、これに限定されない。
例えば、上と同様に次コイル（後行材）の付着量を計算し、付着量予測部３２Ａが求めた付着量予測値を表示させる。そして、それを基に、オペレータがノズル６を操作し付着量外れを改善するという方法であってもよい。このとき、例えば、操作量の目安として機械学習モデルを用いて計算した、ノズル圧力・ノズル間隔と付着量との関係を示したテーブルを用いる。

（実施例）
本実施例では、物理モデルに上記式を採用し、ニューラルネットワークを用いた機械学習で付着量予測モデル３４を生成した。めっきは溶融亜鉛めっきとした。
実施例では、機械学習の入力データは、物理モデルによる演算結果、ノズルのワイピングガス圧力、ワイピングガス温度、ノズル高さ、ノズル間隔、鋼種、板厚、ライン速度、めっき浴槽４でのめっき温度とし、出力データは、亜鉛付着量とした。
なお、鋼種は製造する鋼板の成分、製造方法の違いによってカテゴライズされた一種の符号であり、ラベルのような扱いとなる。
また、ノズルガスの温度は、亜鉛の融点を超える５００度程度の温度で操業した。温度の検出は、直接計測した温度あるいはガス温度調整系の設定温度などを使用できる。

＜比較例１＞
比較例１では、物理モデルに基づく計算式によって予測付着量を求めた。
比較例１における、予測付着量と付着量実績の相関関係を図６に示す。
この比較例１では、ＲＭＳＥ（二乗平均平方根誤差）は２１％であった。

＜実施例１＞
次に、実施例１では、機械学習の際に、物理モデルによる演算結果を用いず、生の操業実績データだけを入力データ（説明変数）とした機械学習を行って付着量予測モデルを生成し、その付着量予測モデルによって予測付着量を求めた。
実施例１における、予測付着量と付着量実績の相関関係を図７に示す。
この実施例１では、ＲＭＳＥ（二乗平均平方根誤差）は１３％であった。

＜実施例２＞
一方、実施例２では、実施例１での機械学習の説明変数(入力データ)の１つとして、更に、物理モデルによる演算結果を追加して、付着量予測モデル３４を生成し、その付着量予測モデル３４によって予測付着量を求めた。
実施例２における、予測付着量と付着量実績の相関関係を図８に示す。
この実施例２では、ＲＭＳＥ（二乗平均平方根誤差）は１０％であった。

＜評価＞
比較例１と実施例１との比較から、物理モデルでの亜鉛付着量予測値に比べ、機械学習による予測モデルを用いた方が、誤差が小さくなることが分かった。
この実施例では、ワイピングガスの温度が亜鉛の融点を超える温度であることから、ワイピングガスの密度や粘度、流速が変化し、付着量に与える影響が考えられるが、これらの物理モデルを構築するのは容易でない。この点、実施例１では、機械学習によって、これらの影響が効果的に表現できたため、精度が向上したと考えられる。

更に、実施例１及び実施例２から、機械学習の入力データとして、物理モデルに基づく演算結果を含めることで、更に、誤差が小さくなることが分かった。
このように、本発明に基づくことで、予測精度が向上することが分かる。
ここで、機械学習の入力データとして、物理モデルに基づく演算結果を含めることで、物理現象に基づくモデルを利用するため操業条件が大きく変わって、十分なデータがない状況であっても、それなりに操業を実施できる可能性があり、特殊な材料の操業時にも利用できることが期待される。また、物理モデルがそれなりの予測をして、機械学習が物理モデルに含まれない知識について、データに基づき予測値を補正するので、実施例２では、実施例１に比べ、更に精度向上したと考えられる。

（効果）
本実施形態は、次のような効果を奏する。
（１）本実施形態は、めっき浴に浸漬後の被めっき鋼板１０の表面に対しワイピングノズル６からワイピングガスを噴射してめっき付着量を調整する付着調整工程を備えた溶融めっき鋼板の製造設備における、上記付着調整工程後のめっき付着量を予測するための付着量予測モデルの生成方法であって、被めっき鋼板１０に関する鋼板情報から選択した１以上のデータ及びワイピングノズル６に関するノズル操業情報から選択した１以上のデータを含む入力操業情報のデータと、その入力操業情報のデータを用いた上記付着調整工程後のめっき付着量の実績データとを有する学習用データを、複数組、取得し、取得した学習用データを用いた機械学習により、上記入力操業情報のデータの少なくとも一部を入力データに含み、めっき付着量を出力データとする付着量予測モデル３４を生成する。

その装置は、例えば、めっき浴に浸漬後の被めっき鋼板１０の表面に対しワイピングノズル６からワイピングガスを噴射してめっき付着量を調整する付着調整工程を備えた溶融めっき鋼板の製造設備における、上記付着調整工程後のめっき付着量を予測するための付着量予測モデルの生成装置３１であって、被めっき鋼板１０に関する鋼板情報から選択した１以上のデータ及びワイピングノズル６に関するノズル操業情報から選択した１以上のデータを含む入力操業情報のデータと、その入力操業情報のデータを用いた上記付着調整工程後のめっき付着量の実績データとを有する学習用データを、複数組、格納した学習用データ記憶部３５と、上記学習用データ記憶部３５に格納された複数組の学習用データを用いた機械学習により、上記入力操業情報のデータの少なくとも一部を入力データに含み、めっき付着量を出力データとする付着量予測モデル３４を生成する予測モデル生成部３１Ｃと、を有する構成とする。

上記鋼板情報は、例えば、被めっき鋼板１０の板幅、板厚、鋼種を含む。
上記ノズル操業情報は、例えば、ワイピングノズル６における、ノズル間隔、鋼板表面に対する噴射角度、めっき浴からの高さ、ワイピングガスの圧力、ワイピングガスの温度を含む。
また、上記入力操業情報として、例えば、ライン速度及び上記めっき浴の温度を含む。
この構成によれば、仮にワイピングガスの温度をめっき液の溶融点以上の高温に設定する連続溶融めっき鋼板の製造であっても、めっき付着量の予測精度を向上することが可能となる。この結果、本実施形態によれば、高品質の連続溶融めっき鋼板を製造可能とある。

（２）本実施形態では、上記機械学習による入力データの１つとして、上記鋼板情報から選択した１以上のデータ及び上記ノズル操業情報から選択した１以上のデータを入力データに含み、めっき付着量を出力データとして演算するための物理モデルに基づく数値計算式を用いて演算しためっき付着量を有する。
その装置は、例えば、上記鋼板情報から選択した１以上のデータ及び上記ノズル操業情報から選択した１以上のデータを入力データに含み、めっき付着量を出力データとして演算するための物理モデルに基づく数値計算式を用いて、めっき付着量を演算する付着量演算部３１Ｂと、を備え、上記機械学習による入力データの１つとして、上記付着量演算部３１Ｂが演算するめっき付着量を用いる構成とする。
この構成によれば、本実施形態では、溶融めっき付着量を予測する機械学習モデルの一説明変数として、物理モデル式の計算結果を採用する。この結果、機械学習を完全なブラックボックス計算とするのではなく、物理的根拠を含めて機械学習による予測モデルを生成可能となる。

また、機械学習モデルの一説明変数として、物理モデル式の計算結果を採用することで、物理モデル自体に誤差を有していても、その誤差を小さくした機械学習モデルを得ることが可能となる。なお、機械学習モデルの生成はオフライン処理であるため、時間が掛かる詳細な物理モデルを設定して用いることも可能となる。
また、本実施形態によれば、例えば、物理モデル式にどういった成分が足りていないのか、を分析しつつ機械学習モデルを組むことができる上に、物理モデル式もある程度の精度を有しているので、その他の説明変数を補正として用いることができ、結果として予測精度の向上を見込むことができる。

また、物理現象に基づくモデルを利用するため操業条件が大きく変わって、十分なデータがない状況であっても、それなりに操業を実施できる可能性があり、特殊な材料の操業時にも利用できることが期待される。また、物理モデルがそれなりの予測をして、機械学習が物理モデルに含まれない知識について、データに基づき予測値を補正するので、さらに精度向上したと考えられる。
また、説明変数に亜鉛鋼板の反り成分やワイピングガス温度を含めることで、従来の物理モデルでは表現できないが、付着量に関係する見込みのある成分を取り込むことができるようになる。

（３）本実施形態は、めっき浴に浸漬後の被めっき鋼板１０の表面に対しワイピングノズル６からワイピングガスを噴射してめっき付着量を調整する付着調整工程を備えた溶融めっき鋼板の製造設備における、上記付着調整工程後のめっき付着量を予測する、めっき付着量の予測方法であって、本実施形態の付着量予測モデルの生成方法で生成した付着量予測モデル３４を用いて、めっき付着量を予測する。

その装置は、例えば、めっき浴に浸漬後の被めっき鋼板１０の表面に対しワイピングノズル６からワイピングガスを噴射してめっき付着量を調整する付着調整工程を備えた溶融めっき鋼板の製造設備における、上記付着調整工程後のめっき付着量を予測する、めっき付着量の予測装置３２であって、実施形態の付着量予測モデルの生成装置３１が生成した付着量予測モデル３４を用いて、めっき付着量を予測する付着量予測部３２Ａを備える。
この構成によれば、仮にワイピングガスの温度をめっき液の溶融点以上の高温に設定する連続溶融めっき鋼板の製造であっても、めっき付着量の予測精度を向上することが可能となる。この結果、本発明の態様によれば、高品質の連続溶融めっき鋼板を製造可能とある。

（４）本実施形態は、めっき浴に浸漬後の被めっき鋼板１０の表面に対しワイピングノズル６からワイピングガスを噴射してめっき付着量を調整する付着調整工程を備えた溶融めっき鋼板の製造設備における、上記付着調整工程後のめっき付着量を制御する、めっき付着量制御方法であって、溶融めっき鋼板の製造は、先行材の尾端部と後行材の先端部とを溶接によって接続して被めっき鋼板１０を連続して搬送し、後行材に対する上記付着調整工程を実行する前に、後行材の鋼板情報の少なくとも一部を含む後行材に設定した設定操業情報と、本実施形態の付着量予測モデルの生成方法で生成した付着量予測モデル３４とを用いて、後行材へのめっき付着量の予測値を算出する予測値算出工程と、算出した付着量の予測値と予め設定した付着用目標値との偏差に基づき、上記偏差が小さくなる方向に、後行材に対するワイピングノズル６に関する操業情報を再設定する再設定工程と、を実行する。

その装置は、例えば、めっき浴に浸漬後の被めっき鋼板１０の表面に対しワイピングノズル６からワイピングガスを噴射してめっき付着量を調整する付着調整工程を備えた溶融めっき鋼板の製造設備における、上記付着調整工程後のめっき付着量を制御する、めっき付着量制御装置３３であって、溶融めっき鋼板の製造は、先行材の尾端部と後行材の先端部とを溶接によって接続して被めっき鋼板１０を連続して搬送し、後行材に対する上記付着調整工程を実行する前に、後行材の鋼板情報の少なくとも一部を含む後行材に設定した設定操業情報と、本実施形態の付着量予測モデルの生成装置３１で生成した付着量予測モデル３４とを用いて、後行材へのめっき付着量の予測値を算出する予測値算出部３２と、後行材に対する上記付着調整工程を実行する前に、算出した付着量の予測値と予め設定した付着用目標値との偏差に基づき、上記偏差が小さくなる方向に、後行材に対するワイピングノズル６に関する操業情報を再設定する再設定部３７と、を備える構成とする。
この構成によれば、仮にワイピングガスの温度をめっき液の溶融点以上の高温に設定する連続溶融めっき鋼板の製造であっても、めっき付着量の精度を向上することが可能となる。この結果、本発明の態様によれば、高品質の連続溶融めっき鋼板を製造可能とある。

（５）本実施形態では、上記ワイピングガスの温度を、めっきの溶融温度以上に設定する。
この構成によれば、物理モデルによる予測では誤差を含む操業条件であっても、高精度にめっき付着量の制御が可能となる。

（６）本実施形態では、上記再設定するワイピングノズル６に関する操業情報は、ワイピングノズル６の位置である。
この構成によれば、目標付着量への操業条件の変化の応答性が良い。

（７）本実施形態では、上記再設定工程は、本実施形態の付着量予測モデルの生成方法で生成した付着量予測モデル３４を用いて、後行材に対する、めっき付着量の変化に対する上記ワイピングノズル６に関する操業情報の変化の係数である影響係数を算出する影響係数算出工程と、算出した影響係数と上記偏差とから、後行材に対するワイピングノズル６に関する操業情報の変更量を算出する変更量算出工程と、を備える。
その装置は、例えば、上記再設定部３７は、実施形態の付着量予測モデルの生成装置３１で生成した付着量予測モデル３４を用いて、後行材に対する、めっき付着量の変化に対する上記ワイピングノズル６に関する操業情報の変化の係数である影響係数を算出する影響係数算出部３７Ｂと、
算出した影響係数と上記偏差とから、後行材に対するワイピングノズル６に関する操業情報の変更量を算出する変更量算出部３７Ｃと、を備える構成とする。
この構成によれば、目標付着量となるノズル６位置により確実に調整可能となる。

（８）本実施形態では、上記影響係数算出工程は、後行材に設定した設定操業情報を変化することによる、付着量予測モデル３４で予測するめっき付着量の変化に基づき、上記影響係数を算出する。
その装置は、例えば、上記影響係数算出部３７Ｂは、後行材に設定した設定操業情報を変化することによる、付着量予測モデル３４で予測するめっき付着量の変化に基づき、上記影響係数を算出する構成とする。
この構成によれは、目標付着量となるノズル６位置により確実に調整可能となる。

（９）本実施形態では、めっき浴に浸漬後の被めっき鋼板１０の表面に対しワイピングノズル６からワイピングガスを噴射してめっき付着量を調整する付着調整工程を備えた溶融めっき鋼板の製造方法であって、本実施形態の付着量制御方法（付着量制御装置３３）でめっき付着量を調整することを特徴とする溶融めっき鋼板の製造方法（製造装置）を提供する。
この構成によれば、高品質の連続溶融めっき鋼板を製造可能とある。

（１０）本実施形態では、設定された操業条件のデータで製造装置の操業を実行して、被加工品を製品に加工する加工工程における、上記製造された製品に要求される複数の品質から選択した品質である選択品質を予測するための品質予測モデルの生成方法であって、上記被加工品に関する情報から選択した１以上のデータ及び上記操業条件から選択した１以上のデータを含む入力操業情報のデータと、その入力操業情報のデータを用いた上記加工工程後の製品の上記選択品質に関する実績データとを有する学習用データを、複数組、取得し、取得した学習用データを用いた機械学習により、上記入力操業情報のデータの少なくとも一部を入力データに含み、上記選択品質に関するデータを出力データとする品質予測モデルを生成する。

このとき、上記被加工品に関する情報から選択した１以上のデータ及び上記操業条件から選択した１以上のデータを入力データに含み、上記選択品質に関するデータを出力データとして演算するための物理モデルに基づく数値計算式を用いて演算した上記選択品質に関するデータを、上記機械学習による入力データの１つとする構成を採用してもよい。
この品質予測モデルの生成方法は、品質精度が良品質予測モデルを提供可能となり、より高品質の製品を製造可能となる。

１ 溶接装置
３ 焼鈍炉
４ 浴槽
５ 浴
６ ワイピングノズル
７ めっき付着量計
１０ 鋼板
２０ 高さ調整用アクチュエータ
２１ ノズル間隔調整用アクチュエータ
２２ ノズル角度調整用アクチュエータ
２３ 圧力計
２４ 温度計
２５ ガス圧調整装置
３０ めっき制御装置
３１ 生成装置
３１Ａ 学習用データ収集部
３１Ｂ 付着量演算部
３１Ｃ 予測モデル生成部
３２ 予測装置（予測値算出部）
３２Ａ 付着量予測部
３３ 付着量制御装置
３４ 付着量予測モデル
３５ 学習用データ記憶部
３６ データベース
３７ 再設定部
３７Ａ 偏差量算出部
３７Ｂ 影響係数算出部
３７Ｃ 変更量算出部
３８ ノズル操作部
３９ ガス制御部

Claims (12)

1. めっき浴に浸漬後の被めっき鋼板の表面に対しワイピングノズルからワイピングガスを噴射してめっき付着量を調整する付着調整工程を備えた溶融めっき鋼板の製造設備における、上記付着調整工程後のめっき付着量を制御する、めっき付着量制御方法であって、
   溶融めっき鋼板の製造は、先行材の尾端部と後行材の先端部とを溶接によって接続して被めっき鋼板を連続して搬送し、
   後行材に対する上記付着調整工程を実行する前に、
   後行材の鋼板情報の少なくとも一部を含む後行材に設定した設定操業情報と、付着量予測モデルの生成方法で生成した付着量予測モデルとを用いて、後行材へのめっき付着量の予測値を算出する予測値算出工程と、
   算出した付着量の予測値と予め設定した付着用目標値との偏差に基づき、上記偏差が小さくなる方向に、後行材に対するワイピングノズルに関する操業情報を再設定する再設定工程と、
   を実行し、
   上記付着量予測モデルの生成方法は、
   めっき浴に浸漬後の被めっき鋼板の表面に対しワイピングノズルからワイピングガスを噴射してめっき付着量を調整する付着調整工程を備えた溶融めっき鋼板の製造設備における、上記付着調整工程後のめっき付着量を予測するための付着量予測モデルの生成方法であって、
   被めっき鋼板に関する鋼板情報から選択した１以上のデータ及びワイピングノズルに関するノズル操業情報から選択した１以上のデータを含む入力操業情報のデータと、その入力操業情報のデータを用いた上記付着調整工程後のめっき付着量の実績データとを有する学習用データを、複数組、取得し、
   取得した学習用データを用いた機械学習により、上記入力操業情報のデータの少なくとも一部を入力データに含み、めっき付着量を出力データとする付着量予測モデルを生成し、
   上記鋼板情報は、被めっき鋼板の板幅、板厚、鋼種を含み、
   上記ノズル操業情報は、ワイピングノズルにおける、ノズル間隔、鋼板表面に対する噴射角度、めっき浴からの高さ、ワイピングガスの圧力、ワイピングガスの温度を含み、
   上記入力操業情報として、ライン速度及び上記めっき浴の温度を含み、
   上記機械学習で用いる入力データの１つとして、上記鋼板情報から選択した１以上のデータ及び上記ノズル操業情報から選択した１以上のデータを入力データに含み、めっき付着量を出力データとして演算するための物理モデルに基づく数値計算式を用いて演算しためっき付着量を有する、
   ことを特徴とするめっき付着量制御方法。
2. 上記ワイピングガスの温度を、めっきの溶融温度以上に設定することを特徴とする請求項１に記載しためっき付着量制御方法。
3. 上記再設定するワイピングノズルに関する操業情報は、ワイピングノズルの位置情報であることを特徴とする請求項１又は請求項２に記載しためっき付着量制御方法。
4. 上記再設定工程は、
   請求項１に記載に付着量予測モデルの生成方法で生成した付着量予測モデルを用いて、後行材に対する、めっき付着量の変化に対する上記ワイピングノズルに関する操業情報の変化の係数である影響係数を算出する影響係数算出工程と、
   算出した影響係数と上記偏差とから、後行材に対するワイピングノズルに関する操業情報の変更量を算出する変更量算出工程と、
   を備えることを特徴とする請求項１～請求項３のいずれか１項に記載しためっき付着量制御方法。
5. 上記影響係数算出工程は、後行材に設定した設定操業情報を変化することによる、付着量予測モデルで予測するめっき付着量の変化に基づき、上記影響係数を算出することを特徴とする請求項４に記載しためっき付着量制御方法。
6. めっき浴に浸漬後の被めっき鋼板の表面に対しワイピングノズルからワイピングガスを噴射してめっき付着量を調整する付着調整工程を備えた溶融めっき鋼板の製造方法であって、
   請求項１～請求項５のいずれか１項に記載しためっき付着量制御方法でめっき付着量を調整することを特徴とする溶融めっき鋼板の製造方法。
7. めっき浴に浸漬後の被めっき鋼板の表面に対しワイピングノズルからワイピングガスを噴射してめっき付着量を調整する付着調整工程を備えた溶融めっき鋼板の製造設備における、上記付着調整工程後のめっき付着量を制御する、めっき付着量制御装置であって、
   溶融めっき鋼板の製造は、先行材の尾端部と後行材の先端部とを溶接によって接続して被めっき鋼板を連続して搬送し、
   後行材に対する上記付着調整工程を実行する前に、後行材の鋼板情報の少なくとも一部を含む後行材に設定した設定操業情報と、付着量予測モデルの生成装置で生成した付着量予測モデルとを用いて、後行材へのめっき付着量の予測値を算出する予測値算出部と、
   後行材に対する上記付着調整工程を実行する前に、算出した付着量の予測値と予め設定した付着用目標値との偏差に基づき、上記偏差が小さくなる方向に、後行材に対するワイピングノズルに関する操業情報を再設定する再設定部と、
   を備え、
   上記付着量予測モデルの生成装置は、
   めっき浴に浸漬後の被めっき鋼板の表面に対しワイピングノズルからワイピングガスを噴射してめっき付着量を調整する付着調整工程を備えた溶融めっき鋼板の製造設備における、上記付着調整工程後のめっき付着量を予測するための付着量予測モデルの生成装置であって、
   被めっき鋼板に関する鋼板情報から選択した１以上のデータ及びワイピングノズルに関するノズル操業情報から選択した１以上のデータを含む入力操業情報のデータと、その入力操業情報のデータを用いた上記付着調整工程後のめっき付着量の実績データとを有する学習用データを、複数組、格納した学習用データ記憶部と、
   上記学習用データ記憶部に格納された複数組の学習用データを用いた機械学習により、上記入力操業情報のデータの少なくとも一部を入力データに含み、めっき付着量を出力データとする付着量予測モデルを生成する予測モデル生成部と、
   を備え、
   上記鋼板情報は、被めっき鋼板の板幅、板厚、鋼種を含み、
   上記ノズル操業情報は、ワイピングノズルにおける、ノズル間隔、鋼板表面に対する噴射角度、めっき浴からの高さ、ワイピングガスの圧力、ワイピングガスの温度を含み、
   上記入力操業情報として、ライン速度及び上記めっき浴の温度を含み、
   上記鋼板情報から選択した１以上のデータ及び上記ノズル操業情報から選択した１以上のデータを入力データに含み、めっき付着量を出力データとして演算するための物理モデルに基づく数値計算式を用いて、めっき付着量を演算する付着量演算部を、備え、
   上記機械学習による入力データの１つとして、上記付着量演算部が演算するめっき付着量が用いられる、
   ことを特徴とするめっき付着量制御装置。
8. 上記ワイピングガスの温度は、めっきの溶融温度以上に設定されることを特徴とする請求項７に記載しためっき付着量制御装置。
9. 上記再設定するワイピングノズルに関する操業情報は、ワイピングノズルの位置であることを特徴とする請求項７又は請求項８に記載しためっき付着量制御装置。
10. 上記再設定部は、
    上記付着量予測モデルの生成装置で生成した付着量予測モデルを用いて、後行材に対する、めっき付着量の変化に対する上記ワイピングノズルに関する操業情報の変化の係数である影響係数を算出する影響係数算出部と、
    算出した影響係数と上記偏差とから、後行材に対するワイピングノズルに関する操業情報の変更量を算出する変更量算出部と、
    を備えることを特徴とする請求項７～請求項９のいずれか１項に記載しためっき付着量制御装置。
11. 上記影響係数算出部は、後行材に設定した設定操業情報を変化することによる、付着量予測モデルで予測するめっき付着量の変化に基づき、上記影響係数を算出することを特徴とする請求項１０に記載しためっき付着量制御装置。
12. めっき浴に浸漬後の被めっき鋼板の表面に対しワイピングノズルからワイピングガスを噴射してめっき付着量を調整する付着調整工程を備えた溶融めっき鋼板の製造装置であって、
    請求項７～請求項１１のいずれか１項に記載しためっき付着量制御装置を備える溶融めっき鋼板の製造装置。

Images